සම්භාවිතා භූදර්ශන මඟින් MCQA මිණුම් පරීක්ෂණ විගණනය

කතුවරුන්/ආයතනය/ප්‍රකාශන ස්ථානය: මින්සු සොං (Minsoo Song) සහ චන්ජුන් පාක් (Chanjun Park); සාරාංශ පිටුවේ ආයතනික සම්බන්ධතාව සඳහන් නොවේ; arXiv වෙත අගෝස්තු 31 වැනිදා ඉදිරිපත් කළ පූර්ව ප්‍රකාශිත පර්යේෂණ පත්‍රිකාවකි. ගැටලුව: දෝෂ සහිත බහුවරණ මිණුම් පරීක්ෂණ ප්‍රශ්න මඟින් විශාල භාෂා මාදිලි (LLM) ඇගයීම විකෘති කළ හැකිය. දායකත්වය: සම්භාවිතා භූදර්ශන (probability landscapes), ඉහළම පිළිතුරේ සම්භාවිතාව සහ අවශේෂ එන්ට්‍රොපිය (residual entropy) ඒකාබද්ධ කරයි. සැක සහිත ප්‍රශ්න සලකුණු කිරීමට ශබ්දය එන්නත් කිරීම (noise injection) ද යොදාගනී. ප්‍රායෝගික වැදගත්කම: මිනිස් සමාලෝචනයට පෙර අඩු පිරිවැයකින් මිණුම් පරීක්ෂණ මූලිකව වර්ග කිරීම. සීමා: මෙය පූර්ව ප්‍රකාශිත පත්‍රිකාවකි; දත්ත කට්ටල හා මාදිලිවල ආවරණ සීමා ඇත; MMLU-Redux සමඟ ගැළපීම කතුවරුන් විසින් වාර්තා කර ඇත; ප්‍රතිඵල ස්වාධීනව නැවත ලබාගෙන නැත.